前言大模型正在改变企业使用数据的方式。过去业务系统主要通过预先定义的报表、接口和查询条件访问数据现今越来越多的用户习惯直接用自然语言提出问题。随着问题变得愈加开放检索系统所面对的也不再只是关键词匹配或相似内容召回。企业中的数据往往存在复杂而明确的联系。一笔交易关联客户、账户和设备一份合同涉及企业、项目与责任人一次风险事件也可能沿着资金、人员和组织关系不断延伸。很多问题只有把这些关系串联起来才能还原完整的业务背景。系统既要找到相关信息也要继续判断这些信息与谁有关、经过哪些路径相连以及结论背后有哪些可以核验的数据依据。图检索能力由此进入企业 AI 的数据处理链路。它将业务对象以及对象之间的联系组织为节点、边和路径使关系能够被直接查询和计算为关联分析、多跳检索、路径发现和结果解释提供数据基础。01从内容相似到关系可解释随着 AI 的不断发展向量检索逐渐成为大模型应用连接外部知识的重要方式。它擅长从大量文本、图片以及其他非结构化内容中找出语义上接近的对象。但在真实业务场景中相似往往只是第一步。一次业务查询可能会同时涉及业务约束、结构化数据关联、关键词匹配、语义召回和关系追踪。例如在风险排查中系统不仅要找到与某段风险描述相似的文档还要继续确认相关账户、交易、设备和人员之间是否存在多跳联系在知识问答中系统不仅要召回包含某个概念的材料还要辨别概念之间的上下位、依赖、引用与因果关系。单纯依赖向量检索仅仅可以回答哪些内容更相似而图能力则将实体及其关系组织为可查询、可计算的数据结构更适合回答对象之间如何关联。节点、边、标签和路径将隐含在表连接、文档叙述和业务规则中的关系显式表达出来使检索结果能够沿着具体的业务路径被追溯和验证。在此基础上系统可以执行模式匹配、邻接扩展、可变长度遍历、最短路径、环检测和路径计数等图查询。对于需要多跳证据、关联分析和结果解释的 AI 应用图能力提供了一种更加贴近企业数据特点的实现方式关系能够被查询路径能够被验证结论也能够找到对应的数据依据。近年来GraphRAG 等技术实践进一步推动了关系检索进入工程视野。面对跨文档、跨实体和全局性问题仅按文本块进行相似度召回很难保留完整的关系上下文。企业将关系检索应用于实际业务时还需要数据库提供可靠的关系存储、高效的路径遍历、持续的数据更新和完善的权限控制。02CittaBase面向 AI 负载的一栈式融合数据库CittaBase 是四维纵横面向 AI 混合负载场景推出的一栈式融合数据库。面向 AI 的业务系统数据访问往往贯穿一条完整链路既要处理业务状态读写和事务操作也要查询结构化事实、检索知识内容、追踪实体关系并对相关数据进行分析。围绕这类需求CittaBase 以 PostgreSQL 兼容的数据与事务底座为基础在同一数据库实例中提供 OLTP、OLAP、Cypher 图查询、BM25 全文检索和向量检索能力。基于这一能力组合CittaBase 可用于建设本体数据基座、企业经营操作系统数据基座和 RAG 知识库等场景在同一数据库实例内统一承载业务状态读写、知识检索、关系查询与 OLAP 分析减少多套系统之间的数据同步、权限维护和结果拼接。CittaBase 原生内置图检索与图计算能力通过统一的数据访问入口处理结构化数据和关系数据支持模式匹配、可变长度路径、多跳遍历、最短路径、全部最短路径、关系标签组合、多标签读取、路径计数和环检测等图查询。图查询结果还可以继续参与 SQL 过滤、连接与聚合让关系路径和业务属性在一次查询中共同参与计算。围绕图查询的执行效率CittaBase 对多类典型查询进行了针对性优化。对于有界可变长度路径、路径计数、固定端点和部分最短路径查询系统可以采用计划改写、索引访问和专用执行路径减少无效遍历及完整路径物化。CittaBase 还提供图计算加速能力通过可达性判断提前剪除无效分支并加速部分路径计算与图算法。此外企业图数据通常还包含大量属性并与明细表、时间序列、文档、日志和向量特征共同使用。CittaBase 的向量化执行引擎通过批量化处理和算子优化可以显著提高数据扫描、过滤、连接、聚合及复杂分析查询的整体执行效率为图数据的属性计算、候选集筛选和后续分析提供高吞吐的执行基础。03从点查到多跳路径CittaBase 图引擎的深度实测图查询的性能表现与查询形态密切相关单一场景很难反映图引擎的整体能力。为了覆盖更具代表性的查询类型此次测试采用 GraphBench 的 B 类基础场景和 C 类复杂场景共 38 条查询涵盖主键点查、属性过滤、邻接扩展、多跳遍历、最短路径、环检测和路径计数等典型负载。测试按照固定顺序执行每条查询运行 3 次对比 Neo4j 与 CittaBase 的冷态执行时间。结合总耗时、单项结果和不同查询类型的表现可以观察 CittaBase 图引擎在不同负载下的执行特点。具体测试结果明细如下测试范围 / 查询Neo4j coldCittaBase cold比值完整 38 条查询1023.328 s129.205 s0.13×剔除 C18 后的 37 条150.649 s128.831 s0.86×C18有向 7-hop 原始路径计数872.679 s0.374 s0.01×C06最短路径0.190 s0.050 s0.26×C091–5 hop 所有路径枚举0.115 s0.068 s0.59×测试口径B 类基础场景 20 条、C 类复杂场景 18 条共 38 条先执行 base.sql再执行 complex.sql。比值为 CittaBase cold ÷ Neo4j cold数值越低表示本轮耗时越短。从总耗时看CittaBase 为 129.205 秒Neo4j 为 1023.328 秒前者约为后者的 13%。这项总成绩受到 C18 的显著影响在有向 7-hop 原始路径计数中Neo4j 单条耗时 872.679 秒CittaBase 为 0.374 秒。剔除 C18 后剩余 37 条查询分别为 150.649 秒和 128.831 秒两者处于接近量级CittaBase 在本轮 workload 下仍略快。从查询类型看CittaBase 在高选择性点查、固定起点或终点的邻接计数、时间范围过滤、部分文本过滤、最短路径、有限深度路径枚举和若干复杂图模式上表现较好在全图节点与边计数、低选择性 IN 过滤、标签聚合以及 7-hop endpoint 逐层去重等场景中仍有进一步优化空间。38 条查询覆盖了从主键点查、局部关系扩展到复杂路径计算的多类负载。测试结果显示CittaBase 原生图引擎已经具备较完整的查询覆盖能力在部分深路径计数场景中矩阵剪枝和计数快速路径明显减少了无效遍历与路径物化性能提升较为明显。04小结自然语言正在成为新的数据访问入口企业查询也开始同时涉及结构化条件、文本内容和实体关系。图能力可以把分散在表关联、业务规则和文档描述中的联系组织起来让系统直接查询关联对象、追踪业务路径并为查询结果提供可以核验的数据依据。围绕这类需求CittaBase 将 OLTP、OLAP、原生图查询、图计算加速、BM25 全文检索、向量检索和向量化执行整合在同一数据库实例中。企业可以在一套数据与权限体系内完成候选召回、关系扩展和结果分析帮助企业减少跨系统的数据同步与结果拼接更高效地完成关系检索和混合分析。推荐阅读
前言大模型正在改变企业使用数据的方式。过去业务系统主要通过预先定义的报表、接口和查询条件访问数据现今越来越多的用户习惯直接用自然语言提出问题。随着问题变得愈加开放检索系统所面对的也不再只是关键词匹配或相似内容召回。企业中的数据往往存在复杂而明确的联系。一笔交易关联客户、账户和设备一份合同涉及企业、项目与责任人一次风险事件也可能沿着资金、人员和组织关系不断延伸。很多问题只有把这些关系串联起来才能还原完整的业务背景。系统既要找到相关信息也要继续判断这些信息与谁有关、经过哪些路径相连以及结论背后有哪些可以核验的数据依据。图检索能力由此进入企业 AI 的数据处理链路。它将业务对象以及对象之间的联系组织为节点、边和路径使关系能够被直接查询和计算为关联分析、多跳检索、路径发现和结果解释提供数据基础。01从内容相似到关系可解释随着 AI 的不断发展向量检索逐渐成为大模型应用连接外部知识的重要方式。它擅长从大量文本、图片以及其他非结构化内容中找出语义上接近的对象。但在真实业务场景中相似往往只是第一步。一次业务查询可能会同时涉及业务约束、结构化数据关联、关键词匹配、语义召回和关系追踪。例如在风险排查中系统不仅要找到与某段风险描述相似的文档还要继续确认相关账户、交易、设备和人员之间是否存在多跳联系在知识问答中系统不仅要召回包含某个概念的材料还要辨别概念之间的上下位、依赖、引用与因果关系。单纯依赖向量检索仅仅可以回答哪些内容更相似而图能力则将实体及其关系组织为可查询、可计算的数据结构更适合回答对象之间如何关联。节点、边、标签和路径将隐含在表连接、文档叙述和业务规则中的关系显式表达出来使检索结果能够沿着具体的业务路径被追溯和验证。在此基础上系统可以执行模式匹配、邻接扩展、可变长度遍历、最短路径、环检测和路径计数等图查询。对于需要多跳证据、关联分析和结果解释的 AI 应用图能力提供了一种更加贴近企业数据特点的实现方式关系能够被查询路径能够被验证结论也能够找到对应的数据依据。近年来GraphRAG 等技术实践进一步推动了关系检索进入工程视野。面对跨文档、跨实体和全局性问题仅按文本块进行相似度召回很难保留完整的关系上下文。企业将关系检索应用于实际业务时还需要数据库提供可靠的关系存储、高效的路径遍历、持续的数据更新和完善的权限控制。02CittaBase面向 AI 负载的一栈式融合数据库CittaBase 是四维纵横面向 AI 混合负载场景推出的一栈式融合数据库。面向 AI 的业务系统数据访问往往贯穿一条完整链路既要处理业务状态读写和事务操作也要查询结构化事实、检索知识内容、追踪实体关系并对相关数据进行分析。围绕这类需求CittaBase 以 PostgreSQL 兼容的数据与事务底座为基础在同一数据库实例中提供 OLTP、OLAP、Cypher 图查询、BM25 全文检索和向量检索能力。基于这一能力组合CittaBase 可用于建设本体数据基座、企业经营操作系统数据基座和 RAG 知识库等场景在同一数据库实例内统一承载业务状态读写、知识检索、关系查询与 OLAP 分析减少多套系统之间的数据同步、权限维护和结果拼接。CittaBase 原生内置图检索与图计算能力通过统一的数据访问入口处理结构化数据和关系数据支持模式匹配、可变长度路径、多跳遍历、最短路径、全部最短路径、关系标签组合、多标签读取、路径计数和环检测等图查询。图查询结果还可以继续参与 SQL 过滤、连接与聚合让关系路径和业务属性在一次查询中共同参与计算。围绕图查询的执行效率CittaBase 对多类典型查询进行了针对性优化。对于有界可变长度路径、路径计数、固定端点和部分最短路径查询系统可以采用计划改写、索引访问和专用执行路径减少无效遍历及完整路径物化。CittaBase 还提供图计算加速能力通过可达性判断提前剪除无效分支并加速部分路径计算与图算法。此外企业图数据通常还包含大量属性并与明细表、时间序列、文档、日志和向量特征共同使用。CittaBase 的向量化执行引擎通过批量化处理和算子优化可以显著提高数据扫描、过滤、连接、聚合及复杂分析查询的整体执行效率为图数据的属性计算、候选集筛选和后续分析提供高吞吐的执行基础。03从点查到多跳路径CittaBase 图引擎的深度实测图查询的性能表现与查询形态密切相关单一场景很难反映图引擎的整体能力。为了覆盖更具代表性的查询类型此次测试采用 GraphBench 的 B 类基础场景和 C 类复杂场景共 38 条查询涵盖主键点查、属性过滤、邻接扩展、多跳遍历、最短路径、环检测和路径计数等典型负载。测试按照固定顺序执行每条查询运行 3 次对比 Neo4j 与 CittaBase 的冷态执行时间。结合总耗时、单项结果和不同查询类型的表现可以观察 CittaBase 图引擎在不同负载下的执行特点。具体测试结果明细如下测试范围 / 查询Neo4j coldCittaBase cold比值完整 38 条查询1023.328 s129.205 s0.13×剔除 C18 后的 37 条150.649 s128.831 s0.86×C18有向 7-hop 原始路径计数872.679 s0.374 s0.01×C06最短路径0.190 s0.050 s0.26×C091–5 hop 所有路径枚举0.115 s0.068 s0.59×测试口径B 类基础场景 20 条、C 类复杂场景 18 条共 38 条先执行 base.sql再执行 complex.sql。比值为 CittaBase cold ÷ Neo4j cold数值越低表示本轮耗时越短。从总耗时看CittaBase 为 129.205 秒Neo4j 为 1023.328 秒前者约为后者的 13%。这项总成绩受到 C18 的显著影响在有向 7-hop 原始路径计数中Neo4j 单条耗时 872.679 秒CittaBase 为 0.374 秒。剔除 C18 后剩余 37 条查询分别为 150.649 秒和 128.831 秒两者处于接近量级CittaBase 在本轮 workload 下仍略快。从查询类型看CittaBase 在高选择性点查、固定起点或终点的邻接计数、时间范围过滤、部分文本过滤、最短路径、有限深度路径枚举和若干复杂图模式上表现较好在全图节点与边计数、低选择性 IN 过滤、标签聚合以及 7-hop endpoint 逐层去重等场景中仍有进一步优化空间。38 条查询覆盖了从主键点查、局部关系扩展到复杂路径计算的多类负载。测试结果显示CittaBase 原生图引擎已经具备较完整的查询覆盖能力在部分深路径计数场景中矩阵剪枝和计数快速路径明显减少了无效遍历与路径物化性能提升较为明显。04小结自然语言正在成为新的数据访问入口企业查询也开始同时涉及结构化条件、文本内容和实体关系。图能力可以把分散在表关联、业务规则和文档描述中的联系组织起来让系统直接查询关联对象、追踪业务路径并为查询结果提供可以核验的数据依据。围绕这类需求CittaBase 将 OLTP、OLAP、原生图查询、图计算加速、BM25 全文检索、向量检索和向量化执行整合在同一数据库实例中。企业可以在一套数据与权限体系内完成候选召回、关系扩展和结果分析帮助企业减少跨系统的数据同步与结果拼接更高效地完成关系检索和混合分析。推荐阅读
)
